学术界和工业界的信息化和网络化发展如火如荼。各行各业都围绕大数据开展了深刻的变革。其中位置信息在交通运输场景,个人移动场景,企业设备管理的重要性日益凸显。在户外,车辆获取位置信息的通用方案为使用全球导航卫星系统（Global Navigation Satellite System,GNSS）和惯性导航系统（Inertial Navigation System,INS）的组合系统。其中,GNSS是空基无线电定位系统,其对卫星信号具有敏感性。而INS精度受限于成本和体积。因此,在长时间处于GNSS信号失锁状态时,车辆定位将变得难以使用。现有国内外研究存在数据精度要求高,硬件体积大成本高,系统复杂以及泛化性不足等问题。本文提出了一种基于数据驱动和学习模型的定位方式,利用智能手机多种运动传感器数据,通过建立联邦定位框架,在数据集保留在参与方本地的条件下,联合训练模型,提升模型精度的同时保证了数据隐私性。在本文中,边缘节点具有数据采集和存储功能,同时边缘节点部署了学习单元。在训练过程中,各个边缘节点与中心节点进行参数交流协同构建全局模型。在中心节点则采用不同的联邦融合算法,对实际环境中,满足独立同分布（Independently Identically Distribution,IID）或非独立同分布（Non Independently Identically Distribution,Non-IID）的两种场景分别建立模型。最后进行了系统测试,同时与现有的两种典型的优化算法进行对比,实验结果表明:在1.8km左右的路程中,设置测试环境为每隔60s获取一次GNSS信号,位置误差仅12m左右,现有算法则超过了100m,充分证明了本文算法的可行性,并且给出了在不同场景选取的最佳定位算法。本文主要工作及创新点包括以下几个方面:一、针对当前车辆GNSS/INS组合系统在一些特殊场景中的不足,研究并提出基于数据驱动和学习模型的联合定位算法。在GNSS低采样条件下,在两种典型实际场景中验证本文算法的可行性,并对算法的优势和不足进行了分析。二、基于智能手机低精度的传感器数据,优化了现有车辆定位系统,在极大程度上减小了定位系统所需GNSS信号的更新频率,并且降低了成本和传感器体积;三、基于本文提出的联邦学习定位框架,解决了各参与方本地没有大规模训练集的困境,并且避免了联合构建定位系统的参与方位置信息泄露的难题。